Contoh Kasus dan penerapan metode SAW (Simple

Additive Weighting)
dikutandi.wordpress.com /2014/02/10/contoh-kasus-dan-penerapan-metode-saw-simple-additive-weighting/

By dikut andinata on 10 February 2014

Sebelum saya menuliskan tulisan inti dari post saya ini mungkin saya harus mengaku jika tulisan ini saya tulis untuk
keperluan tugas kuliah saya. Jujur sebenarnya saya belum terlalu mengerti dengan metode SAW (Simple Additive
Weighting) ini, jadi jika ada yang tidak setuju dengan konten tulisan saya mohon koreksinya.

Definisi SAW

Metode SAW merupakan metode yang juga dikenal dengan metode penjumlahan berbobot. Copas dari blog
tetangga(http://belajarbersamawegi.blogspot.com/2013/06/metode-simple-additive-weighting-saw.html) , Konsep
dasar metode SAW adalah mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua
atribut (Fishburn, 1967) (MacCrimmon, 1968).

Metode SAW membutuhkan proses normalisasi matriks keputusan (X) ke suatu skala yang dapat diperbandingkan
dengan semua rating alternatif yang ada. Metode ini merupakan metode yang paling terkenal dan paling banyak
digunakan dalam menghadapi situasi Multiple Attribute Decision Making (MADM). MADM itu sendiri merupakan
suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu.

Masih dari blog yang sama ada beberapa tahapan untuk menyelesaikan suatu kasus menggunakan metode SAW
ini.

1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.

2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.

3. Membuat matriks keputusan berdasarkan kriteria(Ci), kemudian melakukan normalisasi matriks berdasarkan
persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh
matriks ternormalisasi R.

4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan
vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai)sebagai solusi.

Agar lebih jelas tentang pengimplementasian algoritma tersebut lebih baik kita belajar dengan studi kasus, karena
saya beranggapan jika studi kasus akan lebh mudah menjawab semua teori yang sulit dimengerti.

Contoh Kasus :

Seorang perusahaan akan melakukan rekrutmen kerja terhadap 5 calon pekerja untuk posisi operator mesin. Posisi
yang saat ini luang hanya ada 2 posisi. Nah dengan metode SAW kita diharuskan menentukan calon pekerja
tersebut.

Sebelum kita dibingungkan oleh itungan matematika kita tentukan dulu mana yang menjadi kriteria benefit dan
kriteria cost

Kriteria benefit-nya adalah

1/5
– Pengalaman kerja (saya simbolkan C1)

– Pendidikan (C2)

– Usia (C3)

Sedangkan kriteria cost-nya adalah

– Status perkawinan (C4)

– Alamat (C5)

Kriteria dan Pembobotan

Teknik pembobotan pada criteria dapat dilakukan dengan beragai macam cara dan metode yang abash. Pase ini
dikenal dengan istilah pra-proses. Namun bisa juga dengan cara secara sederhana dengan memberikan nilai pada
masing-masing secara langsung berdasarkan persentasi nilai bobotnya. Se dangkan untuk yang lebih lebih baik
bisa digunakan fuzzy logic. Penggunaan Fuzzy logic, sangat dianjurkan bila kritieria yang dipilih mempunyai sifat
yang relative, misal Umur, Panas, Tinggi, Baik atau sifat lainnya.

Di tahap ini kita mengisi bobot nilai dari suatu alternatif dengan kriteria yang telah dijabarkan tadi. Perlu diketahui
nilai maksimal dari pembobotan ini adalah ‘1’

Calon Pegawai kriteria

C1 C2 C3 C4 C5

A1 0,5 1 0,7 0,7 0,8

A2 0,8 0,7 1 0,5 1

A3 1 0,3 0,4 0,7 1

A4 0,2 1 0,5 0,9 0,7

A5 1 0,7 0,4 0,7 1

Pembobotan

Pembobotan ini ialah pembobotan tiap-tiap kriteria. Berdasarkan pemahaman saya pembobotan ini ialah
pembobotan atas suatu kriteria. Jadi jika kita memilih istri maka berdasarkan agama dan wajah maka kita harus
mengutamakan agama maka agama kita beri bobot lebih tinggi daripada wajah. Bingung kan! Saya juga bingung
sebenarnya hehehehe J

Kriteria Bobot

C1 0,3

C2 0,2

C3 0,2

C4 0,15

C5 0,15

2/5
 Total 1

Tabel pertama (pembobotan alternatif terhadap kriteria) kita ubah kedalam bentuk matriks. Nah dibawah ini
penampakannya.

0,5 1 0,7 0,7 0,8

0,8 0,7 1 0,5 1

1 0,3 0,4 0,7 1

0,2 1 0,5 0,9 0,7

1 0,7 0,4 0,7 1

Sampai tahap ini saya sarankan anda mulai membaca doa agar tidak kebingungan nantinya hehehehe

Pertama kita ingat-ingat kembali kriteria benefitnya yaitu (C1, C2 dan C3). Untuk normalisai nilai, jika faktor kriteria
benefit digunakanan rumusan

Rii = ( Xij / max{Xij})

Dari kolom C1 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C1 dibagi oleh nilai maksimal kolom C1

R11 = 0,5 / 1 = 0,5

R21 = 0,8 / 1 = 0,8

R31 = 1 / 1 = 1

R41 = 0,2 / 1 = 0,2

R51 = 1 / 1 = 1

Dari kolom C2 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C2 dibagi oleh nilai maksimal kolom C2

R12 = 1 / 1 = 1

R22 = 0,7/ 1 = 0,7

R32 = 0,3 / 1 = 0,3

R42 = 1 / 1 = 1

R52 = 0,7 / 1 = 0,7

Dari kolom C3 nilai maksimalnya adalah ‘1’ , maka tiap baris dari kolom C3 dibagi oleh nilai maksimal kolom C3

R13 = 0,7 / 1 = 0,7

R23 = 1/ 1 = 1

R33 = 0,4 / 1 = 0,4

R43 = 0,5 / 1 = 0,5

3/5
R53 = 0,4 / 1 = 0,4

Nah sekarang ingat-ingat kembali kriteria costnya yaitu (C4 dan C5). Untuk normalisai nilai, jika faktor kriteria cost
digunakanan rumusan

Rii = (min{Xij} /Xij)

Dari kolom C4 nilai minimalnya adalah ‘0,5’ , maka tiap baris dari kolom C5 menjadi penyebut dari nilai maksimal
kolom C5

R14 = 0,5/ 0,7 = 0,714

R24 = 0,5 / 0,5 = 1

R34 = 0,5 / 0,7 = 0,714

R44 = 0,5 / 0,9 = 0,556

R54 = 0,5 / 0,7 = 0,714

Dari kolom C5 nilai minimalnya adalah ‘0,7’ , maka tiap baris dari kolom C5 menyadi penyebut dari nilai maksimal
kolom C5

R15= 0,7/ 0,8 = 0,875

R25 = 0,7 / 1= 0,7

R35 = 0,7 / 1= 0,7

R45 = 0,7 / 0,7 = 1

R55= 0,7/ 1= 0,7

Masukan semua hasil penghitungan tersebut kedalam tabel yang kali ini disebut tabel faktor ternormalisasi

0,5 1 0,7 0,714 0,875

0,8 0,7 1 1 0,7

1 0,3 0,4 0,714 0,7

0,2 1 0,5 0,556 1

1 0,7 0,4 0,714 0,7

Setelah mendapat tabel seperti itu barulah kita mengalikan setiap kolom di tabel tersebut dengan bbot kriteria yang
telah kita deklarasikan sebelumnya. Yah kalo di internet-internet sih rumusnya kayak gini.

Nah tambah bingung atau tambah jelas sodara-sodara kalo masih bingung
liat aja itung itungan ane dibawah ini.

A1 = (0,5 * 0,3) + (1 * 0,2) + (0,7 * 0,2 ) + (0, 714 * 0,15) + (0, 875 * 0,15)

A1 = 0,72835

A2 = (0,8 * 0,3) + (0,7 * 0,2) + ( 1* 0,2 ) + ( 1 * 0,15) + (0,7 * 0,15)

4/5
A2 = 0,835

A3 = (1 * 0,3) + ( 0,3* 0,2) + ( 0,4 * 0,2 ) + (0,714 * 0,15) + (0,7 * 0,15)

A3 = 0,6521

A4 = (0,2 * 0,3) + ( 1 * 0,2) + ( 0,5* 0,2 ) + (0,556 * 0,15) + ( 1* 0,15)

A4 = 0,5934

A5 = ( 1 * 0,3) + ( 0,7 * 0,2) + (0,4 * 0,2 ) + (0,714 * 0,15) + ( 0,7 * 0,15)

A5 = 0,7321

Nah dari perbandingan nilai akhir maka didapatkan nilai sebagai berikut.

A1 = 0,72835

A2 = 0,835

A3 = 0,6521

A4 = 0,5934

A5 = 0,7321

Maka alternatif yang memiliki nilai tertinggi dan bisa dipilih adalah alternatif A2 dengan nilai 0,835 dan alternatif A5
dengan nilai 0,7321.

Wah cukup panjang juga perhitungan tulisan saya kali ini. Jika ada yang kurang berkenan mohon maaf ya pemirsa.
Saranya ditunggu jika ada kesalahan atau koreksia dari teman-teman. Wassalam.

5/5